【报告内容】

汇报人：李蒙恩

汇报单位：太原理工大学

主题：Multi-Expert Genetic Programming based Ensemble

for Long-Tailed Image Classification

1、Introduction

2、Method

3、Experiment

4、Conclusion

【报告总结】

1.待解决的问题描述

1）GP仅适用于不平衡表格数据或平衡图像分类；使其适应长尾图像需要在树中链接SIFT/Sobel类算子，同时从稀缺的尾部样本中进化出判别特征。

2）样本加权、类平衡和逆加权这三个目标在数学上存在冲突，因此单适应度GP失败；需要选择压力覆盖这三者的多目标优化。

3）将帕累托前沿纳入考虑并没有现成的答案：一种解决方案会使结果产生偏差，而只有非主导选择会使专家失望。平衡多样性与基础分类器冗余需要消融研究。

2.相关创新方案

1）首次将遗传规划（GP）系统引入长尾图像分类，用演化树状特征流水线替代深度网络，在小样本尾类上实现可解释、轻量的判别特征学习。

2）提出多专家适应度机制，同时用 “长尾、均衡、逆长尾” 三个相互冲突的目标函数引导 GP 演化，使种群自然分化为偏头类、偏均衡、偏尾类三类专精个体。

3）设计全员软投票集成策略，保留最终代全部 GP 个体（而非仅非支配解）训练 SVM 基分类器，以概率求和方式融合三类专家的判别结果。

3.实验总结

本文针对长尾图像分类中类别极端倾斜、尾类特征难以学习且深度方法偏重不可解释的问题，本文提出首个基于遗传规划的集成方法 MEGPE：它同时优化三个相互冲突的专家目标（长尾、均衡类、逆长尾），通过 NSGA-II 多目标演化使 GP 种群自然分化为偏头类、偏均衡和偏尾类三类专精个体，并将最终代全部树个体各配一个 SVM 基分类器，以软投票概率求和完成预测。在 7 个长尾基准上的大量对比与消融实验表明，MEGPE 显著优于现有 GP 方法，在不做数据增广时超越 DNN 基线，并与精心增广后的 SOTA DNN 基本打平，同时兼具小样本适配、轻量可解释和边缘部署友好的优势；其局限在于对旋转、复杂背景等空间变换的鲁棒性仍不及深度模型。

4.未来工作

本文未来工作可从三个方向展开：

1）改进集成机制，研究更智能的基分类器选择策略、基于验证集表现的性能加权投票，以及动态混合专家（MoE）式融合框架，替代当前等权软投票；

2）针对三个专家目标贡献比例固定的问题，探索基于数据集自身特征（类别数、不平衡率、图像复杂度）的自适应权重调整机制，使方法能自动适配不同倾斜程度与视觉域；

3）拓展 GP 算子集并引入可学习的空间变换算子，弥补当前 SIFT/Sobel 手工特征对旋转、背景干扰不鲁棒的短板，进一步提升方法在复杂真实场景下的长尾识别能力。

报告时间：2026年10月09日19:30

腾讯会议：311-5999-8176

点我下载本讨论课相关文献或PPT吧~(提取码：iipr)